.png){kind=icon}
返回
Heterogeneous catalyst design by generative models
.png){kind=icon}
PRE
AI
DOI：10.20517/jmi.2025.38.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解活性物种与表面的相互作用仍然是材料科学和异相催化领域的根本性挑战。这一挑战的核心在于高效且准确地生成真实的表面和中间体结构。尽管付出了越来越多的努力，但一种通用且系统化的表面结构生成方法仍然缺失，特别是在复杂界面方面。现有的自动化协议通常需要大量计算才能识别稳定构型。近年来，数据集可用性和机器学习技术的进步，尤其是在生成模型方面，开始显示出在催化剂结构生成等任务上的应用前景。在此综述中，我们强调了生成模型在催化研究中的新兴能力，并概述了其未来应用的方向。这些包括属性引导的表面结构生成、吸附几何构型的有效采样以及复杂过渡态结构的生成。我们旨在为催化研究人员提供当前进展的清晰视图，概述关键挑战，并识别将生成模型整合到异相催化剂的设计与发现中的机遇。
Keyword:
Generative model
machine learning
heterogeneous catalyst
surface science
期刊
IF:
5.6
论文数:
36
被引数:
349
机构
引用论文
暂无论文信息